基于CMIP6气候模式的贵州省极端降水情景预估

冯椰林, 贺中华, 焦树林, 刘 炜

(贵州师范大学 地理与环境科学学院, 贵阳 550025)

全球气候变化目前成为全人类、各国政府机构和科研工作者共同关注的全球型重大社会问题[1]。全球变暖导致极端降水事件愈加频繁，而在联合国公布和重点关注的15种主要自然灾害中，极端降水发生最为频繁，也是损失最为严重的几种灾害之一[2]。随着全球变暖，不少研究也预期到了水文循环正在逐渐加速[3-4]，这可能会增加区域和全球范围内极端气候的频率和强度，并且大量模拟研究证实了极端降水的增强[5-7]。尽管人们对此有着广泛的兴趣，但对喀斯特地貌的极端降水研究目前较为匮乏。喀斯特地貌易诱发滑坡和泥石流等地质灾害，极端降水正是诱发这些地质灾害的主导因素。

我国贵州地区的典型喀斯特地貌，极易诱发泥石流和滑坡等地质灾害，特别是西部云贵高原边境，北部大娄山、东北雾灵山及苗岭地区[8-9]，给当地的社会经济发展带来了巨大的威胁。此外，该区域有东向的太平洋季风和南向的印度洋水汽输送，且西邻青藏高原，极容易形成极端降水，部分研究表明贵州省大部分地区极端降水事件处于中高风险[10-11]。由此可见，贵州省极端降水特征分析及预测对于区域灾害防治是十分重要的。

耦合模式比较计划 (Coupled Model Intercomparison Project, CMIP)由世界气候研究计划(World Climate Research Programme, WCRP)发起，旨在促进全球环流模式(global circulation model, GCM)数据的共享和比较，耦合模拟工作组(WGCM)先后组织了6次模拟比较计划[12]。与2006年发布的CMIP5相比，2015年发布的CMIP6是新一代气候模式和未来情景，以及一套新的浓度、排放和土地利用情景[13]。CMIP6可以更好地揭示过去、现在和未来的气候变化，这些变化是由自然、非强迫变化或多模式背景下的辐射强迫变化引起的[14]。以前的研究多集中于大尺度的CMIP6模式应用，例如胡一阳等[15]用CMIP6全球模式对于中国降水能力模拟就行了评估，黄禄丰等[16]基于CMIP6多模式预估了全球陆地生态系统总初级生产力的变化。然而精细化的小尺度研究却较少，如何利用CMIP6数据进行修正和降尺度以适用小尺度研究尤为重要。

基于以上分析，本文基于历史实测数据和耦合模式相互比较项目(CMIP6)第六阶段的逐日降水数据，选择4个具有代表性的极端降水指数(R95P:百分之95分位数的降水量总和；R25mm:降水量大于25 mm的天数；CWD:连续≥1 mm降水的天数；R95C:极端降水占比)，首先利用Delta统计降尺度对未来情景数据进行修正，然后基于历史实测数据分析4个极端降水指数的年际变化，空间格局和空间趋势。最后探究3种SSPs情景下4种极端降水指数的年际变化，空间趋势以及与历史时期的差异。该研究对于该地区的极端降水灾害预警，应急管理等具有一定的指导意义。

1 数据来源及研究方法

1.1 研究区概况

贵州省位于中国西南部，具体经纬度为24°37′—29°13′N，103°36′—109°35′。全省面积约为176 167 km2。省内喀斯特地貌发育强烈，喀斯特地区占全省面积的73.8%。位于云贵高原东部，山区面积广大，西高东低，海拔主要分布在152～2 885 m(图1)。气候为亚热带湿润季风气候，年降水量为621.69～1 541.34 mm，年均温为11.02～21.64℃，年内温差较小，四季分明，雨量丰沛，雨热同期，植被覆盖度高，是研究极端降水变化的理想区域。

图1 研究区位置及气象站点分布

1.2 数据来源及处理

本研究主要使用两种数据，一种是历史实测的气候数据，另一个是来自GCMs的未来预测气候数据。本研究中使用的历史实测的气候数据来源于国家气象信息中心(V2.0)(http:∥www.nmic.cn/)，该套数据基于全国2400多个站点制作而成，包括贵州省84个气象站点的逐日降水数据，时间跨度统一至1961—2019年(图1)。使用新六代耦合模型相互比较项目(CMIP6)的5个气候模型，基本信息见表1，数据下载于https:∥esgf-node.llnl.gov/projects/cmip6/。使用3种未来情景(SSP126，SSP245和SSP585)下的历史模拟(1850—2014)和21世纪预测(2015—2100)，每个模型仅选择第一个驱动(r1i1p1f1)，CMIP6是基于典型集中路径(RCP)情景开发的，反映社会在适应和缓解气候变化方面面临的未来挑战。由于选定的5个CMIP6气候模式在空间分辨率上存在差异，因此使用双线性内插法将5个CMIP6气候模式重采样为0.5°×0.5°分辨率。由于降水的模式预测不同，多模式集合平均(MME)能够在一定程度上抵消单个模式的偏差，并广泛用于未来气候变化的模拟和预测[17-19]。

表1 本研究所采用的5个CMIP6模式

1.3 研究方法

1.3.1 Delta统计降尺度 由于CMIP6的空间分辨率普遍较低，不能直接用来模拟较小尺度的气候情景变化。因此，发展了很多降尺度方法来弥补低分辨率数据的不足。本研究所选用的Delta降尺度是偏差修正中的变化因子法[20]。该方法主要是通过比较CMIP6模拟的历史时期值和实际值间的差异，来修正未来情境下的变化。具体计算公式如下：

(1)

E×Pt-obs=P

(2)

式中:Pfut为未来时期的模式降水数据；Pt-his为模式数据在率定期的多年均值；E为模式未来与率定期的比例因子；Pt-obs为实测数据在率定期的多年均值。P为降尺度后的CMIP6多模式集合数据。

1.3.2 极端降水指数 世界气象组织气候变化监测与极端气候事件指标专家组(ETCCDI)在1998—2001年的气候变化监测大会上提出了一套极端气候事件指标，继而形成了气候变化研究领域的统一准则，IPCC第四次报告又对极端气候进行了重新定义，其中有27个指数被确定是核心指标[21]。但不同指标之间关联性较强，因此，本文选择4个具有代表性的指标，分别代表极端降水强度(即：强降水量R95 P)、持续性(即：最长连续降水天数CWD)、极端降水频次(即：大雨日数R25 mm)和极端降水贡献率(R95C)来研究历史时期和未来不同情境下的极端降水变化特征。具体指标见表2。

2 结果与分析

2.1 CMIP6降尺度模拟结果评估

将1961—1999年的模式与实测数据设定为率定期进行模型率定，2000—2014年逐年的R95P，CWD，R25mm和R95C数据则用来验证模型，对比率定前后4个极端降水指数与气象站点观测值之间的差异。

表2 极端降水指标的定义

图2为2000—2014年4个极端降水指数的空间分布，其中图2(A1，B1，C1和D1)为实测站点数据计算得到的空间分布，图2(A2，B2，C2和D2)为CMIP6所有模式均值重采样得到的空间分布，而图2(A3，B3，C3和D3)为通过Delta降尺度残差修正后的CMIP6所有模式均值的空间分布。从图2A中可以看出，3种处理结果下R95P的空间格局变化趋势相似，均为东南高西北低，但实测值和重采样的MME平均值差异较大，实测值的强降水量偏低，贵州省强降水量低值区在西部，强降水量低于350 mm。重采样后的MME平均值偏高，在贵州省西部高于500 m。而通过Delta降尺度后强降水量与实测值更加接近。因此可以采用Delta降尺度来对多模式集合的CMIP6计算的极端降水指标进行修订，以更好地揭示不同SSPs情境下未来贵州省极端降水的空间分布格局。

2.2 历史时期极端降水指数的时空变化特征

2.2.1 极端降水指数的时间变化 4个极端降水指标1961—2019年的年际变化见图3，R95P总体呈略微增加的趋势(1.278 mm/10 a)，但年际波动较大，其中2008年的极端降水强度为历年最高，最高值为685 mm；而1962年的极端降水强度为历年最低最低值仅为344 mm。R25mm总体也呈略微增加的趋势(0.088 d/10 a)波动同样较大，最高值为2008年的12 d，最低值为1962年的5 d。CWD呈较明显的减少趋势(-0.39 d/10 a)，最高值为1961年的16 d，最低值为2013年的7 d。R95C总体呈上升的趋势(0.518%/10 a)，占比最高的为1996年的55%，占比最低的为1962年的34%。

图2 实测值、重采样后多模式集合均值和降尺度后多模式集合均值的4个极端降水指标的空间分布对比

2.2.2 极端降水的空间分布及其变化趋势 4种极端降水指数通过实测数据计算后的历史均值空间分布见图4。4种指数总体均呈南高北低的空间分布。其中，R95P呈东南高西北低的空间分布，东南地区降水量最高为684 mm，西北部地区降水量最低为345 mm。R25mm东南部部分地区最高可达14 d，而西部最少地区仅为3 d。CWD降水天数在西南部最高，可达15 d，而在东北部地区最低仅为8 d。R95C强降水量贡献率在南部最高，可达49%，而在东南部和西部较低，最低仅为42%。

4个极端降水指数的多年变化趋势并不相同(图5)。其中R95P变化趋势空间格局总体呈增加的趋势，增加趋势较为显著的地区分布在中部和南部，其中南部最高为19.53 mm/10 a，而西部呈减小趋势，最低为-25.98 mm/10 a。R25mm变化趋势空间格局总体呈降低的趋势，中部和南部呈增加趋势，最高为0.53 d/10 a，而西部降低趋势最为明显，最低为-0.47 mm/10 a。CWD变化趋势空间格局总体呈北部升高，南部降低趋势，上升最明显的地区分布在北部，最高可达0.31 d/10 a。而南部部分地区降低趋势最高为-0.65 d/10 a。R95C在中西部变化较明显，其中中部呈明显的增加趋势，最高为1.68%/10 a，而西部呈明显的降低趋势，降低最快的地区可达-0.81%/10 a。

2.3 未来不同SSPs情景下的极端降水指数时空变化特征

2.3.1 极端降水指数时间变化 未来不同SSPs情景下4个极端降水指数总体呈上升的趋势。具体来看，R95P降水量在不同SSPs情景下均呈上升的趋势，其中在SSP585情景下上升最明显(28 mm/10 a，R2=0.53)，而在SSP126和SSP245情景下上升趋势相差不大(11.8 mm/10 a，11.01 mm/10 a)且不显著。R25mm在3个情景中均呈增加趋势，其中在SSP585情景下增高趋势为0.4 d/10 a。而在SSP126和SSP245情景下变化趋势分别为0.2 d/10 a和0.1 d/10 a。CWD连续降水天数变化较小且在不同情景下变化趋势不同。在SSP126和SSP585情景下呈弱的增加趋势(0.1 d/10 a和0.02 d/10 a)，而在SSP245情景下，呈弱的减小趋势(-0.02/10 a)。R95C强降水贡献率在不同SSPs情景下也均呈上升的趋势，其中，SSP585情景下R95C上升最快(1.3%/10 a)，而在SSP126和SSP245情景下R95C上升趋势不明显(0.4%/10 a和0.5%/10 a)(图6)。

图3 历史时期4个极端降水指标的年际变化

图4 历史时期4个极端降水指数的空间分布

图5 历史时期4个极端降水指标的年际变化倾向率

图6 未来不同SSPs情境下的4个极端降水指数的年际变化

2.3.2 极端降水指数相较于历史时期的变化 未来不同SSPs情境下的4个极端降水指数相较于历史时期的变化量见图7。R95P随SSPs情景排放量的升高而增加，其中，在最西部，降水均比历史时期少，最高为100 mm。而在贵州省的西南部，和东南部降水量比历史时期明显增多，最高为100 mm。R25mm在不同SSPs情景下较历史时期的变化具有明显的南北差异，其中南部地区呈明显的增高趋势，最高为4 d，而北部总体呈减小的趋势，其中在最西部，减小最为明显，为4 d。CWD在SSP126低排放情景下呈明显的增加趋势，其中在北部、东南部和西部升高较明显，最高为1.5 d，而在西南部减少较为明显。在SSP245和SSP585情景下，CWD在东南部有明显的减小，最高可达1.5 d。R95C在不同情景下均呈升高趋势，然而在东南部，减小较为明显。在SSP245情景下，R95C升高最明显，SSP585次之。

2.3.3 未来不同SSPs情境下的极端降水指数变化趋势 未来不同SSPs情境下的4个极端降水指数变化趋势见图8。R95P在3种情景下均呈上升趋势，其中SSP126和SSP245情景下R95P升高趋势较小，而在SSP585情景下，降水量呈明显的增加趋势，其中在西南部增加最为明显。R25mm在不同SSPs情景下均呈增加趋势。其中在SSP126情景下，贵州省东南部增加趋势相对明显，而在SSP245情景下，增加趋势总体不明显。而在SSP585情景下，贵州省的东部R25mm呈明显的升高趋势，最高可达0.5 d/10 a。CWD在SSP126低排放情景下呈明显的增加趋势，其中在北部，东南部和西部升高较明显，其中北部部分地区最高升高趋势为0.4 d/10 a。在SSP245和SSP585情景下，CWD变化不明显。R95C在不同情景下均呈升高趋势。在SSP126和SSP245情景下上升的幅度较小，而在SSP585情景下，R95C升高最明显，西部最高为1.6%/10 a。

3 讨论与结论

3.1 讨 论

目前已有许多研究[6,22-23]尝试将格点化降水数据运用于极端降水事件研究，但多数集中于对过去极端降水事件的研究，很少针对未来时期极端降水事件进行研究。本研究采用最新的CMIP6模型，在MME和Delta降尺度逐日降水的基础上，计算不同SSPs情景下未来的极端降水时空分布特征，由于极端降水受复杂下垫面因素影响很大，可能出现明显的极端降水区域差异性。尽管该模型在逐日降水的模拟中仍然存在不确定性，但大多数研究都很好地证实了MME观察到的特征和趋势是可信的[24-25]。由于选择的5个CMIP6模型的空间分辨率不同，将每个模型重新采样到0.5°×0.5°可能会高估或低估极端降水的影响，以统计降尺度的方法来去除数据本身的空间分辨率差异，以达到降低这种影响的目的。

图7 未来不同SSPs情境下的4个极端降水指数相较于历史时期的变化量

不同于普通降水的空间格局变化趋势，极端降水的长时间变化表现出了更为复杂的时空格局。在不同区域尺度上，不同学者利用格点或非格点化的降水资料，计算出了不同的极端降水增减趋势[26-28]。本文基于格点化的气象站点和CMIP6逐日降水资料的研究表明，贵州省极端降水事件整体上仍然呈现增加的趋势，降水表现出极端化倾向，这也与早期研究结论[29-30]是相一致的。东部、中部和西部之间也表现出了不同的干湿趋势，西南部临近青藏高原、云贵高原区更容易发生极端降水事件，该地区也是山脉较为密集的地区，极端降水的增加必将导致地质灾害频发，因此加强防范因极端强降雨引发的地质灾害对贵州省西南部区域经济可持续发展是极为重要的。

3.2 结 论

本文基于历史实测数据和耦合模式相互比较项目(CMIP6)第六阶段的逐日降水数据对贵州省的极端降水事件进行了特征分析和预测。通过分析得到以下结论：

(1) 通过对比发现，仅通过重采样的MME数据下的4个极端降水指数与气象站点插值的数值有较大差异，总体偏高，而通过降尺度方法后，CMIP6数据结果得到了很好的纠正，与气象站点的结果差异较小，可用于贵州省极端降水指数的预测。

(2) 在1961—2019年的历史时期，R95P，R25mm和CWD均呈南高北低的空间分布，而R95C呈明显的东中西差异。除西部和最北部地区外，R95P均呈增加趋势。R25mm在中部呈明显的增加趋势而在四周呈减小趋势。CWD在北部总体呈增加趋势而在南部呈减小趋势。R95C在西部呈降低趋势而在中部呈增加趋势。除CWD外，其他3个极端降水指数在1961—2019年均呈不明显的增加趋势。

图8 未来不同SSPs情境下的4个极端降水指数的空间变化

(3) 相较于历史时期，R95P在除西部地区外均呈有增加。而R25mm在南部呈增加趋势北部呈减小趋势。CWD较历史时期有所降低，其中西南部降低最为明显。R95C在不同情景下均有增高。

(4) 未来3种SSPs情景下，极端降水指数总体均呈增加趋势，除CWD外，随着排放情景的升高，极端降水指数的增加趋势也更为明显，特别是在SSP585情景下。而CWD在SSP126情景下增加最为显著，而在中高排放情景下增加趋势较小，这表明在不均衡发展条件下，未来极端降水事件将更加频繁。